本文综述以物体为中心的表征学习研究，涵盖因果表征学习、Slot Attention架构改进与稀疏扰动弱监督，以实现多物体属性解缠；基于组合性与不可约性假设分析无监督学习条件；深度生成模型无需姿态注释即可分离外观与姿态特征；双分支自编码器分离内容与风格；在五个多目标数据集上评估无监督模型的分割与下游属性预测，发现其对多数分布变化较稳健；并提出不依赖标注的属性解离方法及旋转等变卷积VAE。